ステップ 12 / 22
画像モデル
テキストや参照画像から画像を生成・編集します。 画像モデルは、文字の描画、写実性、編集、ライセンスで大きく異なります。リーダーボードではなく、用途で選びましょう。
執筆： Andrew Miller · 2026年10月23日確認 · レビューの方法
選び方
- 画像内の文字（ポスター、サムネイル）：タイポグラフィに定評のあるモデル。
- ブランドやキャラクターの一貫性：編集と参照画像に強いモデル。
- セルフホストやファインチューニングした作風：ノードベースのワークフローツールと組み合わせたオープンウェイトモデル。
確認すべきポイント
選択肢を分けるポイントを、重要な順に並べています。
01
順位の数字ではなく、誤差の幅付きのArena Elo
Artificial Analysisのテキストから画像のボードは、ブラインドの選好投票によるEloでモデルを順位づけており、Eloの列の中に±95%の区間が、Rangeの列にありうる順位が示されています。2026年10月時点で、4位から6位（Nano Banana 2.1、Grok Imagine Image 2.0、MAI-Image-2.6）は互いに数ポイント以内にあり、事実上の同点です。セルフホストが必要ならOpen weightsのフィルターを使い、作業の大半が既存の画像の変更なら別のImage Editingのボードに切り替えましょう。Arena自身のテキストから画像と画像編集のボードは、役に立つセカンドオピニオンです。
02
実際に使う品質での1枚あたりの価格
ボードの価格の列は、開 発元のAPIで既定の設定のまま1024x1024の画像を1,000枚生成する費用で、約$10から$211まで幅があります。OpenAIの上位のエントリーは「max」の品質で採点されており、1,000枚あたり約$211かかります。品質の設定を下げれば安くなりますが、順位も下がります。実際の解像度でも価格を出しましょう。Nano Banana 2.1は1Kで約$0.034、4Kで$0.076ですが、FLUX 3 Image Kleinは1Kで$0.009です。
03
文字の描画とレイアウト
ポスター、スライド、パッケージ、広告を作るなら、総合のEloよりも読める文字のほうが重要です。多言語の文字とレイアウトの制御（Ideogramのバウンディングボックス、Seedreamの座標指定の編集）をうたうモデルを探し、ラテン文字以外も含めて自分の文面でテストしてください。総合のボードはあらゆる種類のプロンプトを混ぜているので、デザイン重視のモデルが中位にいながら、タイポグラフィでは最良の選択ということもあります。
04
編集と参照の制御
製品やブランドの仕事は、キャラクター、ロゴ、製品を画像間で一貫させられるかにかかっています。モデルが受け付ける参照画像の数（Nano Banana 2.1は最大14、FLUX 3 Image KleinとQwen-Image-2.1は最大10）、編集で手を付けていない部分がそのまま保たれるか、マスク、レイヤー、透過の出力に対応しているかを確認しましょう。チャット画面での複数ターン の編集は便利ですが、パイプラインに必要なのはAPIレベルの制御です。
05
ライセンスと商用利用
ホスト型のAPIは一般に、規約のもとで出力の商用利用を認めています。オープンウェイトは大きく異なります。FLUX 3 Image Kleinは年間収益$5 million未満の組織のみ無料で、Qwen-Image-2.1は非商用の研究用ライセンスに移り、Ideogram 4.0の重みは既定で非商用と報じられています。セルフホストの重みで製品を作る前に、モデルカードのライセンスを読んでください。
06
解像度、速度、利用方法
ネイティブの4K出力（GPT Image 2.5、Nano Banana、FLUX 3 Image Klein）なら、印刷物やメイン画像のためのアップスケールの手間が省けます。多くのモデルは2Kで止まります。Artificial Analysisは生成時間の中央値も報告しており、対話型のアプリでは重要です。最も遅い高品質の設定では1分以上かかることもあります。利用方法も確認しましょう。Midjourneyには公開APIがないため、自動化されたパイプラインには組み込めません。
07
実行環境は別の選択
ComfyUI、InvokeAI、Diffusersはモデルではなく、オープンウェイトのモデルを自分のハードウェアで動かすものです。選ぶのはセルフホ ストする場合だけです。ノードグラフのパイプラインと最新のモデルならComfyUI、キャンバス形式のエディタならInvokeAI、PythonのコードならDiffusersです。モデルカードで必要なVRAMを確認してください。量子化版（FP8、INT8、NVFP4）なら、一部のモデルは一般向けのGPUで動きます。
選択肢の違い
クローズドなホスト型モデル（OpenAIのGPT Image、GoogleのNano Banana、MicrosoftのMAI-Image、ByteDanceのSeedream）はブラインド投票のボードで上位を占め、APIを通じて画像単位またはトークン単位で価格が決まります。Midjourneyはサブスクリプションのアプリとしてのみ販売されるクローズドなモデルで、見た目と雰囲気に強いものの、APIはありません。
オープンウェイトのモデル（FLUX 3 Image Klein、Qwen-Image-2.1、Ideogram 4.0）は総合のEloで首位グループに及びませんが、ファインチューニングでき、非公開で動かせ、1枚あたりの費用もわずかです。決め手になるのは通常、品質ではなくライセンスです。動かすには、ComfyUI、InvokeAI、Diffusersといった実行環境が必要です。
12 個のツールを比較
当サイトの評価順です。各レビューで出典、料金、評価の詳細を確認できます。
| ツール | 評価 | 当サイトの評価 | 向いている用途 | 料金 |
|---|---|---|---|---|
| GPT Image 2.5 (Flare and Sunburst)モデル | 4.7/5 | SunburstとFlareはブラインド投票のランキングで首位に立っていますが、1枚あたりの価格はNano Banana 2.1の約6倍です。 | 画像が顧客の目に触れ、1枚あたりの割高な価格に見合う代理店やプロダクトチーム、特に編集を繰り返す用途に向いています。 | API：FlareとSunburstともに、テキスト入力100万トークンあたり$5、画像入力100万トークンあたり$8、画像出力100万トークンあたり$30（Batchの出力は$15）。Artificial Analysisの計算では、1024x1024の最高品質の画像は1,000枚あたり約$211です。ChatGPTのプランに含まれます。 |
| ComfyUIリポジトリ | 4.7/5 | 新しいオープンな画像・動画モデルは、まずここで使えるようになります。ノードグラフと認証のないサーバーが、その入場料です。 | ローカルでの画像・動画生成を完全に制御したいアーティストと開発者。 | GPL-3.0ライセンスの無料オープンソースです。Comfy Cloudは月20ドルから（年払いなら16ドル）で、Partner Nodesは従量課金です。 |
| Nano Banana 2.1モデル | 4.6/5 | 上位モデルの6分の1の価格でブラインド投票4位のNano Banana 2.1は、今やすべての競合が自らの価格の正当性を示さなければならない基準の画像モデルです。 | 月に数千枚の画像を生成し、一貫したキャラクターや読みやすいテキストが必要な製品・マーケティングチームに向いています。 | Gemini API：1K画像1枚あたり約$0.034、2Kで$0.050、4Kで$0.113。Batchではそれぞれ半額です。APIの無料ティアはなく、Geminiアプリでは無料で試せます。 |
| Hugging Face Diffusersリポジトリ | 4.4/5 | Diffusers は、オープンな画像や動画のモデルをコードから動かすための標準的な手段です。ただし、大きなものを動かす前にメモリのガイドを読むことが前提になっています。 | 拡散モデルを使って開発する Python の開発者と研究者。 | Apache 2.0 ライセンスの無料オープンソースです。 |
| Midjourney V8モデル | 4.3/5 | 今も最も優れた審美眼を持つ画像モデルです。ただし販売形態はスタジオ向けのサブスクリプションで、自動化を禁じ、Proに払わない限り作品は公開されます。 | 手作業で生成し、自動化よりもスタイルを重視するイラストレーター、アートディレクター、小規模なスタジオ。 | サブスクリプションのみ：Basic 月$10、Standard $30、Pro $60、Mega $120。年払いで20%引き。追加のFast GPU時間は1時間$4。公開APIはありません。 |
| MAI-Image-2.6モデル | 4.3/5 | MAI-Image-2.6は、GPT Image 2.5の5分の1の価格で上位5位に入る画質を出します。ただし、プレビューの条件と毎分6枚から始まる割り当てが足かせです。 | Azure上で開発し、同じ ベンダーの強力な画像モデルを使いたいチーム。 | Foundry Global Standard：出力100万（1M）トークンあたり$38（Flashは$19）、Data Zoneは10%高くなります。Artificial Analysisの掲載価格は1,000枚あたり約$39、Flashは$19.50です。 |
| Nano Banana Pro (Gemini 3 Pro Image)モデル | 4.2/5 | 今もGoogleの写実性の専門家ですが、ブラインド投票の参加者もGoogle自身のテストも、今では4分の1の価格のモデルを好んでいます。 | メインビジュアルや商品シーンのような、重要度の高い写実的な画像をそれなりの枚数作り、画像ごとの割増を吸収できるチームに向いています。 | Gemini APIで1Kまたは2K画像1枚あたり$0.134、4K画像1枚あたり$0.24。Batchでは半額（$0.067と$0.12）です。APIの無料ティアはありません。 |
| Seedream 5.0 Proモデル | 4.1/5 | Seedream 5.0 Proはフラッグシップの価格で売られるレイアウトツールで、純粋な画質ではGoogleのより安いNano Banana 2.1が上回ります。 | ブラインド投票での最高品質より、レイヤー化された編集可能な出力と多言語のテキストを必要とするデザインとマーケティングのチーム。 | Artificial AnalysisはByteDanceのAPIを1,000枚あたり$90と掲載しています。BytePlusは初回購入パックを1枚$0.045からと宣伝しています。Runway：1K画像1枚$0.05、2Kで$0.09です。 |
| FLUX 3 Image Kleinモデル | 4.0/5 | Kleinは、FLUX 3並みの編集と4K出力を得るための、信頼できる中で最も安い手段です。ただし品質についての主張は、いまのところすべてBlack Forest Labs自身のものです。 | 編集機能を内蔵した最新のオープンな画像モデル、またはごく安いAPIの画像モデルを求める小規模企業や開発者。 | 年間売上$5M未満なら重みは無料。BFL API：画像1枚あたり$0.008（768px）、$0.009（1K）、$0.011（1.5K）、$0.014（2K）、$0.036（4K）、生成でも編集でも同じ。 |
| Ideogram 4.0モデル | 4.0/5 | Ideogram 4.0はタイポグラフィの専門モデルです。ダウンロードできる重みは研究には使えても製品には載せられないため、有償の仕事ではAPIモデルです。 | APIを通じて画像内の正確なテキストを必要とするデザイナーやブランドチーム、そして研究用の重みを求める研究者。 | Artificial Analysisによると、APIは1枚あたり約$0.06（既定）または$0.10（Quality）です。falはFastとInstantの派生版を$0.0075からホストしています。アプリのプランは年払いで月$15からです。重みは非商用利用 に限り無料です。 |
| Qwen-Image-2.1モデル | 4.0/5 | ブラインド投票ではオープンな画像モデルの首位ですが、Alibabaが別のライセンスに署名するまでは、販売するものには一切使えません。 | 研究者と、出荷前に正式なライセンスを取得する前提で画像機能を試作するチーム。 | 重みは研究と評価には無料で、商用利用にはAlibabaからの別ライセンスが必要です。ホスト版のQwen-Image-2.1-ProはQwenCloudで1枚$0.04、-TurboはArtificial Analysisによると1,000枚あたり$16です。 |
| InvokeAIリポジトリ | 3.9/5 | 運営会社がなくなった後も生き残った、アーティストに使いやすいローカルの画像アプリです。現在はリスクのある v7 の書き直しの途中にあります。 | 自分のマシンでキャンバス形式の画像生成と編集を行いたいアーティスト。 | Apache 2.0 ライセンスの無料のオープンソースです。2025年10月にホスト型サービスが終了して以来、有料プランはありません。 |
仕様の比較
このステップで重要な仕様です。2026年10月23日に確認しました。導入前に提供元のサイトで確認してください。
| ツール | 提供元 | 重み・ライセンス | 最大出力 | 参照画像 | 1枚あたりの価格 |
|---|---|---|---|---|---|
| GPT Image 2.5 (Flare and Sunburst) | OpenAI | クローズド | 長 辺最大3840 px | 最大16 | max品質で約$0.21（1K） |
| ComfyUI | Comfy Org（実行環境） | GPL-3.0のソフトウェア | モデル次第 | モデル次第 | 無料。自分のハードウェア |
| Nano Banana 2.1 | クローズド | 4K | 最大14 | $0.034 (1K), $0.076 (4K) | |
| Hugging Face Diffusers | Hugging Face（ライブラリ） | Apache 2.0のソフトウェア | モデル次第 | モデル次第 | 無料。自分のハードウェア |
| Midjourney V8 | Midjourney | クローズド。公開APIなし | 非公開 | 非公開 | サブスクリプション、月$10〜$120 |
| MAI-Image-2.6 | Microsoft AI | クローズド | 非公開 | 複数参照の編集 | 約$0.039（AAの推定） |
| Nano Banana Pro (Gemini 3 Pro Image) | クローズド | 4K | 非公開 | $0.134 (1K/2K), $0.24 (4K) | |
| Seedream 5.0 Pro | ByteDance | クローズド | 2K | 最大10 | 約$0.09（AAの推定） |
| FLUX 3 Image Klein | Black Forest Labs | オープン。収益$5M未満なら無料 | 4K | 最大10 | BFL APIで$0.009（1K）、$0.036（4K） |
| Ideogram 4.0 | Ideogram | オープン。非商用と報じられている | 2K | 非公開 | APIで$0.03〜$0.10 |
| Qwen-Image-2.1 | Alibaba (Qwen) | オープン。研究用ライセンス | 約2048 px | 最大10 | Proで約$0.035（AAの推定） |
| InvokeAI | コミュニティ（実行環境） | Apache 2.0のソフトウェア | モデル次第 | モデル次第 | 無料。自分のハードウェア |
一対一の比較とランキング
このステージが使われる場面
- 画像生成パイプライン：まず FLUX 3 Image Klein, GPT Image 2.5 (Flare and Sunburst) から始めます。
- 動画制作：まず Nano Banana Pro (Gemini 3 Pro Image) から始めます。
このガイドの出典
- Artificial Analysis: text-to-image leaderboard
- Artificial Analysis: text-to-image overview and methodology
- Arena leaderboard (text-to-image and image edit)
- OpenAI: image prompting guide
- OpenAI: image generation guide (GPT Image 2.5 sizes, 3840 px edge)
- OpenAI API reference: image edits (up to 16 input images)
- BytePlus ModelArk: image generation API (Seedream 5.0 pro limits)